公式化因子：一句表达式就是一个因子，代价是你能写出几万个

你脑子里冒出一个挺朴素的想法：最近五天涨得猛的股票，接下来一段时间会不会继续猛。

想验证它，第一步不是写策略，也不是画图。第一步是把这句人话变成一个数——一个能对着三千只股票、三千个交易日同时算出来的数。一只股票你在表格里手工算得出来，三千只就不行了。

而且你很快会发现，你真正想问的不是一个问题，是一族问题：五天还是二十天？涨幅要不要除以价格才好横向比？要不要先剔掉整个市场的涨跌？每换一个说法，就是一个新的公式。这时候你需要的已经不是「算一个因子」的能力，而是「一口气造一批因子」的能力。

公式化因子这套东西，就是为了回答这个需求出现的。

先说人话：它是一台公式生成器

先把「因子」这个词落地：所谓因子，就是把「为什么会涨」这种模糊直觉，压缩成一个每天每只股票都能算出来的数字，然后拿这个数字去排序、去比较。这个概念本身在 因子：把「为什么涨」变成一个可计算的数 里讲得更细，这篇只管一件事——这个数是怎么被批量造出来的。

想象你在表格软件里干活。A 列是每天的收盘价，你在 B 列写下 =A3/A2-1，鼠标往下一拖，整列的日涨幅就出来了。你写的是一个公式，得到的是一整列结果。这已经是公式化的雏形了。

但投资里的表格不是二维的，是三维的：几千只股票 × 几千个交易日 × 十几个字段（开盘、最高、最低、收盘、成交量……）。你没法在一张平面表格里拖鼠标。更麻烦的是，你想试的不是一个公式，是几百个长得差不多、只有参数不同的公式。

于是有人做了这么一件事：发明一小套专门写这类公式的语言，让「一个因子」正好等于「一个字符串」。

字符串这个选择是整件事的关键。字符串可以被程序拼出来，可以塞进配置文件，可以存进数据库当缓存的键，可以被循环成千上万次。你从「手写一个因子」变成了「写一个会写因子的程序」——就像从自己按菜谱做菜，变成了教会一台机器读菜谱。菜谱写得再多，成本也只是多敲几行字。

这就是公式化因子（formulaic alpha）：能被一条数学表达式完整表示的因子。qlib 的文档里对它的说法很简洁——顾名思义，就是能写成一个公式的那类 alpha。

投资层：它改变的是成本结构，而成本结构会改变你

对你的决策来说，这套东西真正的影响不在「算得更准」，而在「试错变得极其便宜」。

以前你想验证一个想法，要写取数、对齐日期、处理停牌、算指标、跑回测，一整天没了。所以你会挑着试——只试那些你真心相信的想法。现在同一件事变成改一行配置，一分钟出结果。

问题就在这儿。当试错成本从一天降到一分钟，你不会只是「试得更快」，你会开始试那些你根本不相信的东西。 反正也不花钱，多试几个呗。而这个行为上的转变，恰恰是量化研究里最危险的那条路的起点——试得越多，你越必然能从纯粹的随机里捞出一个看起来很漂亮的东西。这一层后面单独展开。

先看它在真实系统里长什么样，看完再回来谈风险，你才会明白为什么这个风险几乎是必然的。

系统层：一个字符串是怎么变成一列数的

qlib 的文档里给了一个具体例子。MACD 这个大家眼熟的指标，写成表达式是这样（取自其文档快照）：

MACD_EXP = '2 * ((EMA($close, 12) - EMA($close, 26))/$close - EMA((EMA($close, 12) - EMA($close, 26))/$close, 9))'

一眼看过去有三种成分：$close 这样的字段引用，EMA(...) 这样的算子（对一列数据做某种运算的函数），以及加减乘除括号这些普通算术。就这三样，拼起来能表达的东西比你想的多得多。

字符串怎么变成计算

这一步很朴素，朴素到有点好笑。qlib 用三条正则替换，把你写的字符串改写成合法的 Python 代码： $$ 开头的换成时点字段对象，$ 开头的换成普通字段对象，凡是「名字后面跟着左括号」的一律在前面补上算子表的前缀。改写完，直接交给 Python 求值：

expression = eval(parse_field(field))

所以 $close 会变成 Feature("close")，EMA(...) 会变成 Operators.EMA(...)。最终你得到的不是一个数，是一棵对象树——最底下是字段，往上一层层套着算子。真正取数据、算结果，是这棵树被要求「加载某只股票某段时间」的时候才发生的。

这个设计的好处很直接：表达式是字符串，就能被拼接、被配置、被当作缓存的键复用。坏处也很直接：你把算子名字拼错了，语法检查阶段什么都不会说，要等到求值那一刻才炸出来。

算子分成四个家族

翻一遍算子清单，会看到它们大致分成四类，理解了这个分类，你基本就能自己读懂任何一条表达式：

家族	干什么	例子
逐元素	对每个数各算各的	绝对值、取符号、对数、逻辑非
成对	两列数逐位对齐算	加减乘除、乘方、取较大／较小、各种比较
滚动	在一个时间窗口里算	均值、标准差、最大最小、排名、斜率、拟合优度
成对滚动	两列数在同一窗口里算	相关系数、协方差

有意思的是，Ref——也就是「取 N 期之前的值」——在源码里是滚动算子的子类。往回看几天这件事，本质上和「在一个窗口里算点什么」是同一类操作，只不过窗口的结果就是端点那一个值。

负数的 Ref 就是未来，而这不是 bug

Ref 的文档写得毫不含糊：N 大于零取 N 期之前的数据，N 小于零取未来的数据。

一个专门用来读未来的算子，摆在一个号称严防前视的框架里，看着挺矛盾。但看一眼 qlib 默认的标签配置就明白了：

def get_label_config(self):
    return ["Ref($close, -2)/Ref($close, -1) - 1"], ["LABEL0"]

这是标签，不是特征。所谓标签，就是你希望模型学会预测的那个东西——在这里是「未来的收益率」。要训练模型，你必须把正确答案喂给它，而正确答案天然就在未来。所以这里读未来是完全正当的。

顺带看一眼它读的是哪一段：分子是两天后的收盘价，分母是一天后的收盘价。它算的不是「今天到明天」，而是「明天到后天」，中间明确空出了一天。这个位移是可配置的——同一份源码里就有另一个版本，把收盘价换成了成交均价。你自己接手的时候，第一件该确认的事就是这条标签到底在预测哪一段收益，因为它直接决定了模型学到的是什么。

真正的红线在于：负数的 Ref 绝不能出现在特征列里。 特征是模型做决策时能看的东西，里面混进一个未来值，整套结果就废了，而且废得非常好看——历史成绩会漂亮得让你不忍心怀疑。这类错误怎么发生、为什么极难自查，前视偏差 那篇讲得很透；标签和特征各自的职责边界，则属于 特征与标签 的地盘。

系统自己知道要多取多少历史

这是表达式树带来的一个漂亮红利。

每个算子都会回答两个问题：我一共要往回看多远？我的输入需要向左右各多延伸几格？滚动算子的答案是「我的输入需要多少，再加上我的窗口长度减一」；Ref 的答案是「我的输入需要多少，再加上 N」，而且当 N 是负数时，它会往右边多要几格。

这些需求逐层向上冒泡，一条嵌套三层的表达式，总共该多取多少历史数据，是自动算出来的，不用你操心。这正是 指标启动长度 那篇讲的问题在工程上的解法。

但这里藏着一个坑，值得单独拎出来。滚动计算用的最小周期数被设成了 1，也就是窗口还没填满也照样给你一个值。源码注释里说得很坦白：空值检查被移除了，现在由使用者自己决定要不要用前面那几天的数据。

后果是：一条二十日均值的表达式，第一行给你的是一天的均值，第二行是两天的均值……它们和第二十行之后的数字长得一模一样，都是正常的浮点数，没有任何标记。你如果不主动裁掉开头那一段，等于在用一批「半成品」参与训练和检验。

还有个更极端的特例：窗口设成 0 时，滚动会退化成「用到目前为止的全部历史」，源码里对此直接打了警告，说这种情况算不准。

批量：几百个因子，只要几十行循环

前面铺垫的所有东西，都是为了这一步。

qlib 里有一套按配置生成因子的工具。你给它一个配置字典，它按块吐出表达式列表和对应的名字。配置分成几块，各管一摊：

• K 线形态块：九条硬编码的表达式，把一根 K 线的几何形状量化。比如 ($close-$open)/$open 是实体相对开盘价的比例，($high-$low)/$open 是整根 K 线的相对长度，(2*$close-$high-$low)/$open 描述收盘价在高低区间里的偏移位置。这些不是玄学，是把「长上影」「光头阳线」这类看图形容词翻译成了数。
• 价格块与成交量块：把 N 天前的价格除以今天的收盘价，得到一批无量纲的相对值。除以当前值这个动作很关键——它让不同价位的股票能放在一起比。
• 滚动块：一个双重循环，算子清单 × 窗口清单。默认窗口是 5、10、20、30、60 这几档（当前默认值，配置里可改），另外提供了 include 和 exclude 两个开关，决定哪些算子参与。

还有一套更直白的：六个字段（开、高、低、收、成交均价、成交量）各取过去六十个交易日的滞后值，全部除以最新的收盘价或成交量做归一化，凑成三百六十列。源码就是一串 for i in range(59, 0, -1) 的循环，几十行写完。

这就是「表达式即字符串」的全部意义所在。 造三百六十个因子和造三个因子，工程上的差别只是循环次数。你甚至可以让程序去穷举算子和窗口的组合，一口气生成上万条表达式——这条路是通的，而且技术上毫无障碍。

如果内置算子不够用，还能自己写一个类注册进算子表。注册时如果名字和内置的撞了，系统会打一条警告告诉你默认定义被覆盖了——这个提醒很有必要，不然你以为在用标准的均值，实际用的是你三个月前改过的版本。

对照：freqtrade 压根没搞这一套

值得拿另一种设计做个对照，才能看清表达式语言到底适合什么场合。

freqtrade 的策略里没有表达式语言。你在一个叫 populate_indicators 的方法里，直接写 pandas 和技术指标库的代码，往数据表上加列。想算什么就写什么，完全是普通 Python。它的示例策略文件里甚至专门提醒了一句：出于性能考虑，指标别加太多，用不上的就注释掉，否则白白浪费内存和 CPU。

两种设计的分歧不在技术品味，在面对的问题不一样：

• freqtrade 主要处理单个交易对的时间序列，策略数量有限，但单个策略的逻辑可能很曲折——什么时候进、什么时候加仓、遇到什么情况提前撤。这种「少而深」的需求，用普通代码写最舒服，硬套一套表达式语言反而处处受限。
• qlib 面对的是横截面——同一天里几千只股票放在一起排序比较。单个因子往往很简单，但数量极大。这种「多而浅」的需求，字符串化的表达式才是对的抽象。

所以你看到哪种写法，基本就能反推出这个系统想干什么。反过来说，如果你的想法只有三五个但每个都很复杂，硬要塞进表达式语言里，是自找麻烦。

便宜的代价：造得越多，假的越多

现在回到前面留下的那个尾巴。

一个纯粹随机、毫无道理的因子，在某一段特定历史上碰巧表现不错的概率，不是零。这不是运气问题，是数学问题。你试五个，可能一个都不像样；你试五千个，几乎必然会有一批看起来相当漂亮。

问题在于，从五千个里挑出来的那个「最好的」，它好在哪里？它未必是最有道理的那个，但它一定是最会讨好这段历史的那个。历史只有一份，你在同一份数据上翻来覆去地筛选，筛出来的就是最贴合这份数据噪音的形状。这件事有个专门的名字，机制和识别办法在 数据窥探 那篇里。

表达式语言在这里扮演的角色很微妙：它本身没有错，它只是把试错的边际成本压到了几乎为零，于是让这个陷阱变得极其容易掉进去。 以前你受体力限制，一天试五个；现在你一晚上能试五万个。搜索空间大了一万倍，撞见假信号的概率也大了一万倍，而你的判断力一点没变。

还有两层更隐蔽的：

第一层，模板生成的因子彼此高度相关。 同一个量的五天版、十天版、二十天版，说的其实是同一件事，只是清晰度不同。一百多个因子摆在你面前，看着像一百多份独立的证据，实际独立信息远少于这个数。你以为的「多个因子互相印证」，很可能只是同一个观点被复述了一百多遍。人被同一句话重复一百遍就会信，模型也差不多。

第二层，表达式好写，也就好雕。 把窗口从二十改成二十一，把除数从收盘价换成成交均价，在别的系统里可能要改一段代码，在这里只是敲一个字符。改到曲线好看为止——这个动作太轻了，轻到你根本不会意识到自己在做一件严重的事。

那该怎么办？没有能一劳永逸的招，但有几个方向是明确的：

• 先立假设，再写表达式。 顺序反过来——先批量生成再回头找哪个好看——那不叫研究，那叫抽奖。你至少要能说清楚，这个因子如果有效，背后的经济逻辑是什么。
• 给自己记账。 老老实实记下你一共试了多少个想法。这个数字本身就是你结果可信度的折扣系数。
• 把检验数据真正隔离出来。 用于挑选的那段数据，不能再拿来证明挑得对。
• 看一眼因子之间的相关性。 一百个高度相关的因子，不如五个真正不同的因子。

失效边界与常见误用

表达式跑通不等于因子有意义。 语法完全正确、数值也算得出来的表达式，可以毫无经济含义。系统不会替你判断这一点，它只负责算。

别把生成器当研究。 在配置里的算子清单多加两项，因子数量可能翻倍，但你对市场的理解一点没增加。产出的数量和研究的深度是两回事，混淆这两者是这套工具最常见的误用。

别忽略窗口没填满的那几行。 前面说过，最小周期数是 1，开头那一段是半成品，长得和正常值一模一样。检验区间的起点如果没留够缓冲，你的头几笔结论是建立在残缺数据上的。

表达式的简洁会掩盖数据成本。 $close 只有六个字符，可它背后是一整套问题：复权怎么处理、停牌那几天填的什么、财报数据是哪一版。表达式语言不解决这些，它只是把它们藏进了那个美元符号后面。一条写得再优雅的表达式，喂进去的数据不干净，出来的就是不干净的结论。

特征列里出现负数的 Ref。 再说一遍，因为这是最贵的那个错误。

小结

• 公式化因子就是「一个因子等于一个字符串」。字符串能被程序拼接、配置、批量生成，这是整套设计的全部秘密。
• 系统层三件事：字符串被正则改写后求值，变成一棵算子树；算子分逐元素、成对、滚动、成对滚动四个家族；每个算子自报所需窗口并逐层累加，所以要多取多少历史是自动算出来的。
• 负数的 Ref 读的是未来。它在标签里天经地义，在特征里就是灾难。
• 配置驱动的批量生成让「造几百个因子」的成本约等于「造三个」，这是红利，也是全部风险的来源。
• 不是所有系统都需要这套东西。多而浅的横截面研究适合表达式语言，少而深的单品种策略用普通代码更顺手。
• 试得越多，从随机里捞出漂亮结果的概率越高。「一共试了多少个」是评估任何因子研究时最该先问的一个数。

一句话记住这篇：把想法写成公式，是为了让你一次能试一千个；而真正难的不是想出这一千个，是承认其中九百九十九个只是碰巧。

本文所引源码与文档均来自上述快照版本，是阅读代码得出的机制说明，不是运行结果；具体行为请以你手上那个版本为准。回 量化与 AI 投研概念库 看其它概念各自在说什么；本站内容为投资教育，不构成任何投资建议，边界见 免责声明。